Individualización de filamentos en una red extraída desde una imagen de microscopía, mediante optimización

Abstract

En la naturaleza, es posible encontrar de forma ubicua, estructuras alargadas (filamentos), las que conforman redes entre sí. La conformación de estas estructuras complejas y dinámicas se puede observar en ejemplos particulares como en una red de proteínas de una célula eucariota, así como en bacterias, ya que a pesar que pertenecer a distintas familias, ambas tienen estructuras formada por filamentos. La individualización de filamentos permite cuantificar las propiedades de la red tales como número de filamentos, largo de estos, volumen, o curvatura, y puede ser categorizado en: basado en procesamiento de imágenes de bajo nivel o como un problema de optimización. El problema de identificar filamentos en imágenes de microscopía está limitado por la resolución, y los problemas de múltiples parámetros a ajustar, para los métodos basados en procesamiento de imágenes de bajo nivel, el costo computacional en los métodos basados en optimización, y falta de descriptores cuantitativos en ambas. La revisión bibliográfica da cuenta también de pocas herramientas disponibles. Todo lo anterior implica que parte del análisis deba ser manual, lo que para grandes cantidades de datos, hace los estudios más propensos a errores. Esta investigación se centra en el desarrollo de un algoritmo que pueda resolver un modelo de optimización para la individualización de filamentos a partir de un grafo que representa una red de filamentos, utilizando múltiples características. El uso de diversas características permite acotar el espacio de búsqueda, el que inicialmente consiste en todas las combinaciones posibles de aristas, lo que permite categorizar este problema como NP-Hard. Como resultado, se obtiene un algoritmo flexible que individualiza filamentos de forma automática, lo que a su vez permite la incorporación de nuevas características y/o restricciones. La flexibilidad se demuestra mediante las diferentes configuraciones de parámetros disponibles, así como la posibilidad de personalizarlos. El algoritmo propuesto se evalúa en 12 imágenes, entre las que se tienen casos sintéticos, así como en microtúbulos de planta y neuronas de ratón, logrando obtener casos donde no existe diferencia estadísticamente significativa con lo indicado por un experto, y existiendo una diferencia menor en otros casos. Finalmente, el algoritmo propuesto realiza la individualización de los casos más complejos en un tiempo de cómputo inferior a los 40 segundos.